模型优化方法、装置、设备、存储介质及计算机程序产品与流程

本技术涉及计算机，尤其涉及一种模型优化方法、装置、设备、存储介质及计算机程序产品。

背景技术：

1、目前，随着对知识产权、品牌保护的重视程度的增加，内容审核的需求日益提升，使得海量的虚拟对象数据(如卡通人物图像等)对人工审核带来巨大的挑战，因此需要通过用于对虚拟对象图像进行图像识别的图像识别模型的识别能力提升审核效率；但虚拟对象训练数据的收集与标注工作较为困难，使得用于训练上述图像识别模型的虚拟对象训练数据较为稀缺，导致现有的图像识别模型所提取到的虚拟对象图像的图像特征的准确性较低，从而导致图像识别的准确率较低，使得现有的图像识别模型难以满足实际业务中的需求。基于此，如何提升针对虚拟对象图像的图像识别模型的模型性能，以提高图像识别的准确率成为一个研究热点。

技术实现思路

1、本技术实施例提供了一种模型优化方法、装置、设备、存储介质及计算机程序产品，可以提升图像处理模型的模型性能，以构建模型性能较好的图像识别模型，且该图像识别模型可用于对虚拟对象图像进行图像识别，也就是说，本技术可提升图像识别模型的模型性能，从而提升对虚拟对象图像进行图像识别的准确率。

2、一方面，本技术实施例提供了一种模型优化方法，所述方法包括：

3、在训练图像集包括的第一图像子集中获取至少一个物理对象图像，并在所述训练图像集包括的第二图像子集中获取至少一个虚拟对象图像，所述第一图像子集中的物理对象图像的数量大于所述第二图像子集中的虚拟对象图像的数量；

4、调用图像处理模型，分别对所述至少一个物理对象图像中的每个物理对象图像进行特征提取，得到所述每个物理对象图像的图像特征；并调用所述图像处理模型，分别对所述至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，得到所述每个虚拟对象图像的图像特征；

5、基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值；

6、按照减小所述目标模型损失值的方向，优化所述图像处理模型中的模型参数，以构建图像识别模型，所述图像识别模型用于对虚拟对象图像进行图像识别。

7、另一方面，本技术实施例提供了一种模型优化装置，所述装置包括：

8、获取单元，用于在训练图像集包括的第一图像子集中获取至少一个物理对象图像，并在所述训练图像集包括的第二图像子集中获取至少一个虚拟对象图像，所述第一图像子集中的物理对象图像的数量大于所述第二图像子集中的虚拟对象图像的数量；

9、处理单元，用于调用图像处理模型，分别对所述至少一个物理对象图像中的每个物理对象图像进行特征提取，得到所述每个物理对象图像的图像特征；并调用所述图像处理模型，分别对所述至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，得到所述每个虚拟对象图像的图像特征；

10、所述处理单元，还用于基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值；

11、所述处理单元，还用于按照减小所述目标模型损失值的方向，优化所述图像处理模型中的模型参数，以构建图像识别模型，所述图像识别模型用于对虚拟对象图像进行图像识别。

12、在一种实施方式中，处理单元在基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值时，可具体用于：

13、基于所述每个物理对象图像的图像特征和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值，任一物理对象图像的标签信息用于指示所述任一物理对象图像所指示的物理对象；

14、基于所述每个虚拟对象图像的图像特征和所述每个虚拟对象图像的标签信息，计算所述图像处理模型的第二模型损失值，任一虚拟对象图像的标签信息用于指示所述任一虚拟对象图像所指示的虚拟对象；

15、对所述第一模型损失值和所述第二模型损失值进行加权求和，得到所述图像处理模型的目标模型损失值。

16、另一种实施方式中，获取单元还可用于：在所述训练图像集中获取至少一个目标对象图像，所述至少一个目标对象图像包括至少一个目标虚拟对象图像，或者至少一个目标物理对象图像和至少一个目标虚拟对象图像；

17、处理单元还可用于：调用所述图像处理模型，分别对所述至少一个目标对象图像中的每个目标虚拟对象图像进行特征提取，得到所述每个目标虚拟对象图像的图像特征；

18、处理单元在基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值时，可具体用于：

19、基于所述每个物理对象图像的图像特征、所述每个虚拟对象图像的图像特征以及所述每个目标虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值。

20、另一种实施方式中，处理单元在基于所述每个物理对象图像的图像特征、所述每个虚拟对象图像的图像特征以及所述每个目标虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值时，可具体用于：

21、基于所述每个物理对象图像的图像特征和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值，任一物理对象图像的标签信息用于指示所述任一物理对象图像所指示的物理对象；

22、基于所述每个虚拟对象图像的图像特征和所述每个虚拟对象图像的标签信息，计算所述图像处理模型的第二模型损失值，任一虚拟对象图像的标签信息用于指示所述任一虚拟对象图像所指示的虚拟对象；

23、基于所述每个目标虚拟对象图像的图像特征和所述每个目标虚拟对象图像的标签信息，计算所述图像处理模型的第三模型损失值，任一目标虚拟对象图像的标签信息用于指示所述任一目标虚拟对象图像所指示的虚拟对象；

24、对所述第一模型损失值、所述第二模型损失值以及所述第三模型损失值进行加权求和，得到所述图像处理模型的目标模型损失值。

25、另一种实施方式中，图像处理模型包括所述第一图像子集中各个物理对象图像所指示的物理对象的第一类中心权重，以及所述第二图像子集中各个虚拟对象图像所指示的虚拟对象的第二类中心权重；处理单元在基于所述每个目标虚拟对象图像的图像特征和所述每个目标虚拟对象图像的标签信息，计算所述图像处理模型的第三模型损失值时，可具体用于：

26、遍历所述至少一个目标对象图像中的目标虚拟对象图像，并分别对遍历的目标虚拟对象图像，与每个第一类中心权重和每个第二类中心权重进行融合处理，得到所述遍历的目标虚拟对象图像被识别为所述每个第一类中心权重对应的物理对象的概率，以及被识别为所述每个第二类中心权重对应的虚拟对象的概率；

27、在遍历完所述至少一个目标对象图像中的目标虚拟对象图像后，基于所述每个目标虚拟对象图像的概率和所述每个目标虚拟对象图像的标签信息，计算所述图像处理模型的第三模型损失值。

28、另一种实施方式中，处理单元在基于所述每个物理对象图像的图像特征和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值时，可具体用于：

29、遍历所述至少一个物理对象图像，并对遍历的物理对象图像的图像特征和每个第一类中心权重进行融合处理，得到所述遍历的物理对象图像被识别为所述每个第一类中心权重对应的物理对象的概率；在遍历完所述至少一个物理对象图像后，基于所述每个物理对象图像的概率和所述每个物理对象图像的标签信息，计算所述图像处理模型的第一模型损失值；

30、处理单元在基于所述每个虚拟对象图像的图像特征和所述每个虚拟对象图像的标签信息，计算所述图像处理模型的第二模型损失值时，可具体用于：

31、遍历所述至少一个虚拟对象图像，并对遍历的虚拟对象图像的图像特征和每个第二类中心权重进行融合处理，得到所述遍历的虚拟对象图像被识别为所述每个第二类中心权重对应的虚拟对象的概率；在遍历完所述至少一个虚拟对象图像后，基于所述每个虚拟对象图像的概率和所述每个虚拟对象图像的标签信息，计算所述图像处理模型的第二模型损失值。

32、另一种实施方式中，至少一个目标对象图像包括至少一个目标物理对象图像，或者至少一个目标虚拟对象图像，或者至少一个目标物理对象图像和至少一个目标虚拟对象图像；处理单元在调用所述图像处理模型，分别对所述至少一个目标对象图像中的每个目标虚拟对象图像进行特征提取，得到所述每个目标虚拟对象图像的图像特征时，可具体用于：

33、调用所述图像处理模型，分别对所述至少一个目标对象图像中的各个目标对象图像进行特征提取，得到所述各个目标对象图像的图像特征；

34、处理单元在基于所述每个物理对象图像的图像特征、所述每个虚拟对象图像的图像特征以及所述每个目标虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值时，可具体用于：

35、基于所述每个物理对象图像的图像特征、所述每个虚拟对象图像的图像特征以及所述各个目标对象图像的图像特征，计算所述图像处理模型的目标模型损失值。

36、另一种实施方式中，图像处理模型包括特征提取模块，所述特征提取模块用于对各个图像进行特征提取；处理单元在按照减小所述目标模型损失值的方向，优化所述图像处理模型中的模型参数，以构建图像识别模型时，可具体用于：

37、按照减小所述目标模型损失值的方向，优化所述特征提取模块的特征提取参数，以构建图像识别模型；其中，所述图像识别模型包括特征提取参数优化后的特征提取模块。

38、另一种实施方式中，获取单元还可用于：在所述训练图像集包括的第一图像子集中选取至少一个物理对象图像；

39、处理单元还可用于：调用初始图像处理模型，分别对选取的至少一个物理对象图像中的各个物理对象图像进行特征提取，得到所述选取的各个物理对象图像的图像特征；

40、基于所述选取的各个物理对象图像的图像特征和所述选取的各个物理对象图像的标签信息，计算所述初始图像处理模型的预训练模型损失值；

41、按照减小所述预训练模型损失值的方向，优化所述初始图像处理模型中的模型参数，得到所述图像处理模型。

42、再一方面，本技术实施例提供了一种计算机设备，所述计算机设备包括处理器、存储器，其中，所述存储器用于存储计算机程序，所述计算机程序被所述处理器执行时实现如下步骤：

43、在训练图像集包括的第一图像子集中获取至少一个物理对象图像，并在所述训练图像集包括的第二图像子集中获取至少一个虚拟对象图像，所述第一图像子集中的物理对象图像的数量大于所述第二图像子集中的虚拟对象图像的数量；

44、调用图像处理模型，分别对所述至少一个物理对象图像中的每个物理对象图像进行特征提取，得到所述每个物理对象图像的图像特征；并调用所述图像处理模型，分别对所述至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，得到所述每个虚拟对象图像的图像特征；

45、基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值；

46、按照减小所述目标模型损失值的方向，优化所述图像处理模型中的模型参数，以构建图像识别模型，所述图像识别模型用于对虚拟对象图像进行图像识别。

47、再一方面，本技术实施例提供了一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序适于由处理器加载并执行如下步骤：

48、在训练图像集包括的第一图像子集中获取至少一个物理对象图像，并在所述训练图像集包括的第二图像子集中获取至少一个虚拟对象图像，所述第一图像子集中的物理对象图像的数量大于所述第二图像子集中的虚拟对象图像的数量；

49、调用图像处理模型，分别对所述至少一个物理对象图像中的每个物理对象图像进行特征提取，得到所述每个物理对象图像的图像特征；并调用所述图像处理模型，分别对所述至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，得到所述每个虚拟对象图像的图像特征；

50、基于所述每个物理对象图像的图像特征和所述每个虚拟对象图像的图像特征，计算所述图像处理模型的目标模型损失值；

51、按照减小所述目标模型损失值的方向，优化所述图像处理模型中的模型参数，以构建图像识别模型，所述图像识别模型用于对虚拟对象图像进行图像识别。

52、再一方面，本技术实施例提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现上述所提及的模型优化方法。

53、本技术实施例可在训练图像集包括的第一图像子集中获取到至少一个物理对象图像，并在训练图像集包括的第二图像子集中获取到至少一个虚拟对象图像，且第一图像子集中的物理对象图像的数量大于第二图像子集中的虚拟对象图像的数量，以便于后续采用第一图像子集中的物理对象图像进行辅助训练，以获取用于识别虚拟对象图像的图像识别模型。然后，可调用图像处理模型分别对至少一个物理对象图像中的每个物理对象图像，以及至少一个虚拟对象图像中的每个虚拟对象图像进行特征提取，并基于得到的每个物理对象图像的图像特征和每个虚拟对象图像的图像特征，计算图像处理模型的目标模型损失值，进而根据目标模型损失值优化图像处理模型中的模型参数，以构建模型性能较好的图像识别模型。可见，本技术实施例可在不增加第二图像子集中的虚拟对象图像的前提下，利用大量经过准确标注的物理对象图像对第二图像子集中的虚拟对象图像进行扩充，以优化图像处理模型，进而提升图像识别模型的模型性能，也就是说，可提升图像识别模型对虚拟对象图像进行图像识别的准确率。